La cascade du burnout

J'ai quitté Meta en juin 2021. Je travaillais 16 heures par jour, regardant l'entreprise passer de 17 000 à plus de 63 000 employés. Le rythme était brutal mais gérable, parce que les cycles de release avaient une cadence. Planification trimestrielle. Lancements semestriels. Réorganisations annuelles. On voyait la vague arriver et on pouvait s'y préparer.

Je suis parti parce que j'étais en burnout, et parce qu'une startup avait copié mot pour mot la landing page de mon side project et levé un tour Sequoia pendant que je restais coincé dans une boîte qui ne me laissait pas rivaliser. Mais ce burnout-là, je le comprenais. Il avait des contours. On pouvait s'en éloigner.

Le burnout qui sévit aujourd'hui est différent. Il n'a pas de contours.

La cascade

Les labos d'IA sont engagés dans une course aux armements à l'échelle de la civilisation. OpenAI, Anthropic, Google, xAI, Meta AI — tous sprintent sur des calendriers compressés parce que le coût d'arriver deuxième pourrait être existentiel. À l'intérieur de ces labos, la pression est immense et bien documentée. Des ingénieurs qui livrent des modèles frontier tous les quelques mois. Des équipes de recherche qui publient à un rythme qui rend la peer review obsolète. Le coût humain est visible si vous savez où regarder : taux d'attrition, départs discrets, le tweet candide occasionnel de quelqu'un qui vient de partir.

Cette pression interne crée une cadence de publication externe. Un nouveau modèle sort. Les API changent. Les benchmarks sont réinitialisés. Des capacités qui n'existaient pas il y a 90 jours sont désormais le minimum attendu.

Et alors la cascade commence.

Les développeurs absorbent la première vague. Votre stack a bougé. Le framework que vous avez appris le trimestre dernier est déjà dépassé. L'API contre laquelle vous avez construit vient de déprécier l'endpoint dont vous dépendez. Vous ne prenez pas de retard parce que vous êtes paresseux — vous prenez du retard parce que le sol ne cesse de bouger.

Les enseignants absorbent la deuxième vague. Le programme que vous avez conçu en septembre est obsolète en janvier. Les étudiants utilisent des outils qui n'existaient pas quand vous avez rédigé le syllabus. On attend de vous que vous intégriez l'IA dans votre enseignement et que vous en contrôliez les abus, et personne ne vous a formé pour aucun des deux.

Les designers, rédacteurs, product managers, équipes support — ils absorbent la troisième vague. Les workflows qu'ils maîtrisaient se dissolvent sans cesse. Des compétences qui ont pris des années à construire sont partiellement automatisées chaque trimestre. Pas complètement automatisées, pas encore, mais suffisamment pour créer une anxiété permanente sur sa propre pertinence.

La source de l'onde de choc, ce sont les labos. Tous les autres sont en aval de leur cadence de sprint.

Quand le burnout avait une saison

Avant que l'IA ne compresse le cycle, le burnout en tech suivait des saisons. On poussait fort pour un lancement, on récupérait pendant un trimestre plus calme, puis on repartait. Les cycles de publication des réseaux sociaux se mesuraient en mois. Les cycles produit en trimestres. Les migrations de plateforme en années.

Chez Meta, j'enchaînais les cycles de burnout comme on enchaîne les cafés. C'était presque le mode de fonctionnement par défaut. Mais les cycles avaient une forme. On pouvait prévoir le pic, planifier le creux, intégrer la récupération dans le rythme. L'entreprise avait même le « recharge » — un mois complet de congé tous les cinq ans d'ancienneté, en plus des congés normaux et des jours fériés. La reconnaissance institutionnalisée que le rythme était insoutenable, avec un mécanisme structuré pour s'en remettre.

Le cycle de l'IA n'a pas de creux. Il n'y a pas de semaine de récupération quand votre concurrent vient de livrer un modèle de raisonnement qui rend votre roadmap obsolète. Il n'y a pas de « trimestre calme » quand les capacités se composent mensuellement. La cadence de publication des labos donne le tempo à toute l'industrie, et ce tempo n'a pas de position d'arrêt.

Le retournement

Quand j'ai quitté Meta, ma thèse était simple : l'avenir appartient aux petites équipes qui frappent bien au-dessus de leur poids. J'avais vu une entreprise de 63 000 personnes avancer plus lentement que deux ingénieurs dans un garage. J'avais vu mon propre side project grandir entièrement par lui-même pendant la pandémie, alors que j'étais coincé dans des réunions sur des réunions. Le calcul semblait évident — plus petit, plus rapide, plus capable par personne.

Je ne pensais pas que ça arriverait aussi vite.

La courbe est devenue verticale. Un fondateur solo qui fait tourner des agents IA peut désormais produire l'output opérationnel d'une petite équipe. Je le fais. 600 $ par mois en coûts d'API, sept agents, standups quotidiens, rapports hebdomadaires, brouillons de contenu, monitoring de déploiement. Le travail qui nécessitait d'embaucher trois à cinq personnes tourne maintenant sur des cron jobs et des fenêtres de contexte.

Mais le retournement a un côté sombre. Si une personne peut faire le travail de cinq, qu'arrive-t-il aux quatre autres ?

Leur modèle de valeur est réévalué.

L'exécution — ce que vend la majorité des travailleurs du savoir — devient moins chère chaque trimestre. Rédaction, analyse, tri, coordination, monitoring, reporting. Chacune un peu plus automatisable à chaque nouvelle release de modèle. Pas disparue. Moins chère. Ce qui, en économie du travail, revient presque au même.

Ce qui compose différemment

Les compétences qui ne perdent pas de valeur : le jugement, le goût, les relations, la distribution, la fluence culturelle, la capacité de savoir quel problème mérite d'être résolu. Celles-ci se composent avec l'expérience. Elles prennent plus de valeur à mesure que les coûts d'exécution s'effondrent, parce que le goulot d'étranglement passe de « peut-on construire ça ? » à « devrait-on construire ça ? ».

J'ai passé cinq ans chez Meta à regarder des ingénieurs brillants construire des choses dont personne n'avait besoin, parce que la machine organisationnelle récompensait le shipping plutôt que la réflexion. Le goulot d'étranglement n'a jamais été l'exécution. C'était toujours le jugement. On ne le voyait simplement pas, parce que l'exécution était suffisamment coûteuse pour sembler être la partie difficile.

Maintenant l'exécution est bon marché et le devient de plus en plus. L'illusion se dissipe. Ce qui reste, c'est la question qui a toujours été en dessous : savez-vous ce qui compte ?

Je suis encore dans la cascade

Je n'écris pas ceci depuis une position confortable. J'enchaîne les cycles de burnout comme on subit la météo. J'ai quitté la big tech, je me suis épuisé sur la grind startup, épuisé sur la migration d'infrastructure, j'ai failli donner mon produit deux fois, et je suis toujours là — à shipper à minuit, à débugger de l'auth à 2h du matin, à faire tourner sept agents qui redémarrent occasionnellement mes services de production sans demander.

La différence entre ce burnout et celui de Meta, c'est que celui-ci a un sens. J'ai choisi ce rythme. C'est moi qui donne le tempo. Les agents travaillent pour moi, pas l'inverse.

C'est l'invitation. Pas « quittez votre job » — la plupart des gens ne peuvent pas, et ne devraient pas, sur la base d'un article de blog. Mais : regardez d'où vient réellement votre valeur. Si elle vient de la vitesse d'exécution, de la pure capacité à produire de l'output, le prix de ça est en train de changer vite. Si elle vient de savoir quel output compte, de relations qui ne peuvent pas être transformées en API, d'un goût qui a mis une décennie à se développer — c'est ça qui compose pendant que tout le reste se dégonfle.

Les labos continueront de sprinter. La cadence de publication ne ralentira pas. La cascade continuera de couler en aval.

La question est de savoir si vous êtes debout dans le courant ou si vous le redirigez.